量子位
·
移动通信领域有了新SOTA：华为出品，精准预测用户行为
💡
原文中文，约2700字，阅读约需7分钟。
📝
内容提要
华为GTS部门的AI算法团队推出了GTS-LUM模型，显著提高了电信用户行为预测的准确性。该模型通过处理多模异构数据和多尺度时序机制，超越了Meta和字节的方案，成为新的SOTA，帮助运营商挖掘用户价值并提升留存率。
🎯
关键要点
- 华为GTS部门AI算法团队推出GTS-LUM模型，显著提高电信用户行为预测准确性。
- GTS-LUM模型在所有评估指标上优于Meta的HSTU和字节的HLLM，成为新的SOTA。
- GTS-LUM模型的创新点包括多模异构数据处理和多尺度时序机制。
- 电信市场用户留存和价值挖掘成为运营商核心战略，传统机器学习方法面临瓶颈。
- 电信用户行为具有长周期决策特征，与互联网场景的短期兴趣驱动机制不同。
- GTS-LUM通过多层级时间划分和多模态协同框架优化用户行为建模。
- 模型引入Q-Former适配器实现跨模态对齐，增强用户表征能力。
- GTS-LUM在工业级验证中表现优异，显著提升了预测准确性。
- 与业界方案相比，GTS-LUM在复杂数据集上表现更佳，提升幅度显著。
❓
延伸问答
GTS-LUM模型的主要创新点是什么？
GTS-LUM模型的主要创新点包括多模异构数据处理和多尺度时序机制。
GTS-LUM模型如何提高用户行为预测的准确性？
GTS-LUM通过多层级时间划分和多模态协同框架优化用户行为建模，从而提高预测准确性。
GTS-LUM模型与Meta和字节的方案相比有什么优势？
GTS-LUM在所有评估指标上显著优于Meta的HSTU和字节的HLLM，成为新的SOTA。
电信用户行为建模面临哪些挑战？
电信用户行为建模面临跨时间尺度建模不足和多模异构数据表征局限等挑战。
GTS-LUM模型如何处理多模异构数据？
GTS-LUM构建了多模态协同的用户行为嵌入框架，通过对用户和产品的交互行为进行处理汇聚，精准捕捉用户业务级浅层语义。
GTS-LUM模型在工业级验证中表现如何？
在工业级验证中，GTS-LUM表现优异，显著提升了预测准确性，尤其在复杂数据集上表现更佳。
➡️
